农业工程学报

作者：张杰,胡宇尘,辛泳亨,周鑫焱,傅成,涂伟,吴才聪,

关键词：农业机械, 排放预测, 油耗预测, 排放清单, 机器学习, 深度学习

基金：42

为深入研究拖拉机污染物与温室气体排放特征与构建排放清单，助力农机绿色转型与“双碳”目标实现，该研究基于北斗轨迹数据与PEMS实测数据，构建了拖拉机油耗、COsub>2/sub>与NOx排放预测模型，并估算了全国的作业排放清单。基于北斗轨迹数据中字段完整的样本，结合拖拉机速度、方向、转速、扭矩等多维特征，构建油耗预测特征集，并采用残差深度神经网络模型预测油耗，模型拟合优度italic>R/italic>su2/su为0.75，平均绝对百分比误差（mean absolute percentage error, MAPE）为24.46%。针对特征字段缺失的数据，进一步基于作业时长与作业距离构建油耗预测特征，并采用多种机器学习算法建立预测模型。对比结果表明，LightGBM模型效果最优（italic>R/italic>su2/su为0.77，MAPE为39.28%）。通过开展拖拉机排放试验，构建COsub>2/sub>和NOsub>x/sub>排放预测模型，系统比较不同机器学习算法与特征组合的预测性能。结果显示，以发动机油耗、转速、扭矩、功率、大气温度、湿度作为输入特征时，支持向量机为COsub>2/sub>排放预测最优模型（italic>R/italic>su2/su 为0.95，MAPE为5.98%）。LightGBM为NOsub>x/sub>排放预测最优模型（italic>R/italic>su2 /su为 0.86，MAPE为13.78%）。若仅基于油耗特征进行排放预测，则COsub>2/sub>和NOsub>x/sub>的最优模型分别为LightGBM（italic>R/italic>su2/su为0.94，MAPE为8.01%）与随机森林（italic>R/italic>su2/su为0.77，MAPE为17.9%）。通过集成轨迹数据、油耗和排放预测模型，定量估算全国安装北斗终端的拖拉机作业总排放量。该研究可为大范围农机作业的碳排放与污染物排放管理提供方法支撑与数据支持，推动中国农业绿色转型与“双碳”目标实现。/

来源：2026年第8期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第8期